CN108230260B - 一种红外图像与微光图像的融合方法 - Google Patents

一种红外图像与微光图像的融合方法 Download PDF

Info

Publication number
CN108230260B
CN108230260B CN201711273556.8A CN201711273556A CN108230260B CN 108230260 B CN108230260 B CN 108230260B CN 201711273556 A CN201711273556 A CN 201711273556A CN 108230260 B CN108230260 B CN 108230260B
Authority
CN
China
Prior art keywords
low
image
frequency
fusion
coefficient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711273556.8A
Other languages
English (en)
Other versions
CN108230260A (zh
Inventor
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Jinhang Computing Technology Research Institute
Original Assignee
Tianjin Jinhang Computing Technology Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Jinhang Computing Technology Research Institute filed Critical Tianjin Jinhang Computing Technology Research Institute
Priority to CN201711273556.8A priority Critical patent/CN108230260B/zh
Publication of CN108230260A publication Critical patent/CN108230260A/zh
Application granted granted Critical
Publication of CN108230260B publication Critical patent/CN108230260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种新型红外图像与微光图像的融合方法，该方法的流程是：首先对红外图像和微光图像进行多尺度、多方向的NSCT变换分解，分别得到红外图像的低频子带和高频子带及微光图像的低频子带和高频子带；在低频子带上，先采用平滑线性滤波器对低频系数进行预处理，该平滑线性滤波器位于掩模中心的权值比四边及四角的权值大，且位于四角的权值最小，该平滑线性滤波器的输出响应为模板内加权平均，采用基于局部能量比与局部能量加权相结合的方法进行融合；在高频子带上，先采用基于二阶微分的拉普拉斯算子对高频系数进行预处理，该拉普拉斯滤波器属于各向同性滤波器，最后对融合系数进行NSCT多分辨率重构，得到融合图像。

Description

一种红外图像与微光图像的融合方法
技术领域
本发明属于图像融合技术领域，具体涉及一种红外图像与微光图像的融合方法。
背景技术
在图像融合领域可以利用不同类型的传感器，针对同一探测区域提供不同类型的图像信息，获得一幅对同一场景的更为准确、更为符合探测需要的图像。在夜晚或光照强度低的探测场合，红外传感器和微光传感器经常配合使用，红外图像接收目标的红外信息，目标低频信息较为突出；微光图像信噪比较高，提供的细节信息更为丰富。通过图像融合算法可以发挥各自传感器的特点，得到更为理想的目标指示场景信息。
传统的图像融合算法存在目标与背景对比度较差，目标特征不明显，细节信息较弱等不足。如，钱小燕等人(钱小燕,韩磊,王帮峰.红外与可见光图像快速融合算法[J].计算机辅助设计与图形学学报,2011,23(7):1211-1216.)提出了结合局部直方图均衡化来增强红外与微光图像，并用中值滤波进行去噪，融合较快且细节突出，但是目标不显著；邢素霞等人(邢素霞,肖洪兵,陈天华,等.基于目标提取与NSCT的图像融合技术研究[J].光电子·激光,2013(3):583-588.)提出了使用信息熵分割红外图像提取目标，采用NSCT算法增强微光图像低频分量方法进行融合，亮度较好，但其增强过程中图像的细节信息稍弱。
发明内容
针对红外和微光图像融合应用场景的不足，本发明拟解决的技术问题是，提供一种新型红外图像与微光图像的融合方法。该方法结合图像时域相关性和空域高低频系数进行图像融合，具有目标亮度好，细节纹理突出，清晰度对比度强的特点。
本发明解决所述技术问题采用的技术方案是：提供一种新型红外图像与微光图像的融合方法，该方法的流程是：首先对红外图像和微光图像进行多尺度、多方向的NSCT变换分解，分别得到红外图像的低频子带和高频子带及微光图像的低频子带和高频子带；在低频子带上，先采用平滑线性滤波器对低频系数进行预处理，该平滑线性滤波器位于掩模中心的权值比四边及四角的权值大，且位于四角的权值最小，该平滑线性滤波器的输出响应为模板内加权平均，采用基于局部能量比与局部能量加权相结合的方法进行融合；在高频子带上，先采用基于二阶微分的拉普拉斯算子对高频系数进行预处理，该拉普拉斯滤波器属于各向同性滤波器，拉普拉斯滤波器的输出响应与该滤波器作用的图像系数突变方向无关，能与NSCT算法的非下采样方向滤波器(NSDFB)组配合使用，利用噪声与有意义图像细节上的差别，提出局部尺度方差的显著性度量指标，以局部尺度方差为测度进行融合；在对低频系数进行融合的过程中，可利用图像序列的时域信息对收敛过程进行加速；最后对融合系数进行NSCT多分辨率重构，得到融合图像。
与现有技术相比，本发明的有益效果是：
1.传统方法只使用了图像的空域及频域信息，而序列图像在内容上具有很强的相关性，故在低频及高频系数的计算时应充分考虑序列图像的时域信息，本申请方法将空域及时域信息有机结合起来，能够根据前序图像的系数权值设定本幅图像的系数初值，提高运算收敛速度，达到较好的图像恢复效果。
2.在系数迭代的过程中使用的新型的迭代系数加权融合规则，避免了光谱信息损失，提高了噪声抑制能力，更加有效的提取边缘纹理等细节信息，鲁棒性强。
附图说明
图1为现有NSCT算法的流程图；
图2为传统图像融合算法的流程图；
图3为本发明新型红外图像与微光图像的融合方法的流程图；
图4为本发明实施例1中低频系数滤波模板的结构图；
图5为本发明实施例1中高频系数滤波模板的结构图；
具体实施方式
下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请权利要求保护范围的限定。
传统的图像融合算法一般采用基于非下采样Contourlet变换(NSCT)算法(参见图1)，主要由非下采样金字塔(Nonsubsampled金字塔，简称NSP)和非下采样方向滤波器(Nonsubsampled方向滤波器，简称NSDFB)组两部分组成。NSCT算法的基本结构图如图1所示。图像的多分辨率通过NSP实现，图像的多方向分解通过NSDFB实现。
NSCT通过其非下采样金字塔获得多尺度特性，NSP具有平移不变性，它通过双通道非下采样滤波器组(NSPFB)实现一个类似于Laplacian金字塔的子带分解。双通道非下采样滤波器组(NSPFB)是构成NSP的基本模块，通过迭代构造来实现多尺度分解的金字塔的非下采样操作。
NSDFB是对非下采样滤波器组进行迭代，在第一层方向分解后，对方向滤波器组中的所有滤波器进行方向滤波，通过对两个双通道扇形滤波器进行迭代，使之成为一个四通道的方向滤波器组，即可得到四个方向的频率分割图，进一步进行双通道滤波就会得到八个方向的频率分割图。
图2传统图像融合算法的基本流程：首先对红外图像和微光图像分别进行多尺度、多方向的NSCT变换分解，分别得到红外图像的低频子带和高频子带及微光图像的低频子带和高频子带，且二者的低频子带和高频子带分别通过相应的传统系数加权融合规则进行融合，即在低频子带上，微光图像的低频子带和红外图像的低频系数采用简单的算术加权运算，将红外图像和微光图像的低频系数采用全图统一的权重进行算术运算；在高频子带上，微光图像的高频子带和红外图像的高频系数采用比较红外图像和微光图像的高频系数值，直接采用较大高频系数或采用固定权值进行算术运算的方法进行融合；最后对高频子带和低频子带的融合系数进行NSCT多分辨率重构(NSCT逆变换)，得到最终的融合图像。
本发明新型红外图像与微光图像的融合方法(简称方法，参见图3)，该方法的流程是：首先对红外图像和微光图像进行多尺度、多方向的NSCT变换分解，分别得到红外图像的低频子带和高频子带及微光图像的低频子带和高频子带；在低频子带上，先采用平滑线性滤波器对低频系数进行预处理，该滤波器的输出为模板内加权平均，采用基于局部能量比与局部能量加权相结合的方法进行融合；在高频子带上，先采用基于二阶微分的拉普拉斯算子对高频系数进行预处理，利用噪声与有意义图像细节上的差别，提出局部尺度方差的显著性度量指标，以局部尺度方差为测度进行融合。在对低频系数进行融合的过程中，可利用图像序列的时域信息对收敛过程进行加速(即步骤三中w1，w2的初值可参考图像序列中前几帧图像相应位置的权值，这样可加快目标函数收敛速度)。最后对融合系数进行NSCT多分辨率重构，得到融合图像。
具体步骤是：
步骤1：使用NSCT算法将图像进行频域分解：使用NSCT算法分别对同一时刻、同一场景的红外图像和微光图像进行多尺度、多方向的NSCT分解，得到红外图像和微光图像的低频子带和高频子带，低频子带和高频子带分别包括一系列的低频系数和高频系数；
步骤2：对高、低频子带进行预处理：
低频子带预处理主要目的是提取目标信息。无论在红外图像或微光图像目标函数均具有较大的能量信息，即像素灰度值较高。将步骤1分解后的红外图像和微光图像的低频子带均通过平滑线性滤波器进行滤波，得到红外图像和微光图像的去噪后低频子带，即预处理后的低频子带，该平滑线性滤波器位于掩模中心的权值比四边及四角的权值大，且位于四角的权值最小，该平滑线性滤波器的输出响应为模板内加权平均，目的是为图像的低频分量降噪。
高频子带预处理目的是突出图像中的细节或增强被模糊的细节。将步骤1分解后的红外图像和微光图像的高频子带均使用基于二阶微分的拉普拉斯滤波器进行预处理，该拉普拉斯滤波器属于各向同性滤波器，拉普拉斯滤波器的输出响应与该滤波器作用的图像系数突变方向无关，能与NSCT算法的非下采样方向滤波器(NSDFB)组配合使用；
步骤3：初步融合预处理后的红外图像和微光图像的低频和高频子带：
3-1.根据迭代系数加权融合规则初步融合红外图像和微光图像的预处理后的低频子带：
设定低频子带融合的目标函数是区域内像素灰度值累加和最高，并设定图像阈值；定义PIR(x，y)为红外图像在(x，y)点的像素灰度值，定义PVI(x，y)为微光图像在(x，y)点的像素灰度值，按照式(1)和(2)分别计算区域内的红外图像和微光图像低频系数灰度累加值EIR(x，y)和EVI(x，y)；
Figure GDA0002935573230000041
Figure GDA0002935573230000042
比较EIR(x，y)和EVI(x，y)的大小，若某区域红外图像低频系数灰度累加值EIR(x，y)不小于设定的图像阈值，说明该区域为目标区域，能直接使用红外图像信息；若某区域红外图像低频系数灰度累加值小于设定的图像阈值，则说明该区域为背景区域或非明显目标区域，此时微光图像比红外图像具有更强的对比度，融合图像应考虑微光图像的因素；所述图像阈值根据经验一般取本幅图像(这里的本幅图像为红外图像和微光图像按权重比例为1:1构成，灰度均值为权重比例为1:1时所取的值)灰度均值的3/4；具体流程如下：
定义R(x，y)为以(x，y)点为中心点处的3×3区域的局部能量比，R(x，y)的计算公式为式(3)：
Figure GDA0002935573230000043
若R(x，y)大于等于图像阈值，则直接选取红外图像低频系数灰度累加值EIR(x，y)作为初步融合图像的低频系数L(x，y)，即L(x，y)＝EIR(x，y)；
若R(x，y)小于图像阈值，说明红外图像的目标特征不是足够明显，则初步融合的低频系数需要融合红外和微光图像的低频系数，设调整后的红外图像低频系数灰度累加值为E’IR(x，y)，调整后的微光图像低频系数灰度累加值为E’VI(x，y)，初步融合的低频系数为L’(x，y)，则E’IR(x，y)、E’VI(x，y)、L’(x，y)与EIR(x，y)、EVI(x，y)满足下述式子：
E’IR(x，y)＝w1×EIR(x，y)
E’VI(x，y)＝w2×EVI(x，y)
L’(x，y)＝E’IR(x，y)+E’VI(x，y)；
其中，w1和w2分别为红外图像和微光图像的系数权值，w1和w2的取值初值均为0.5，w1+w2＝1，w1取值范围是[0.5，1]，w2取值范围是[0，0.5]，不断调整w1，w2，若下一次初步融合的低频系数小于上一次初步融合的低频系数，即L”(x，y)<L’(x，y)，则w1，w2停止调整；
其中w1，w2的初值可参考图像序列(所述图像序列为同一幅的红外图像和微光图像为一组，所构成的多个图像组，w1，w2的初值可以根据图像序列中前几帧相应位置的权值作为参考，用前序图像的系数权值设定本幅图像的系数初值，使低频子带与时域信息结合)中前几帧图像相应位置的权值，这样可加快目标函数收敛速度；
3-2.根据局部尺度方差融合规则初步融合红外图像和微光图像的预处理后的高频子带：
高频子带融合的目标函数是区域内像素方差最大。方差代表图像的细节信息，方差系数越大则代表图像高频部分的细节越丰富。定义m(x，y)为图像在(x，y)点处3×3区域内的平均值，σIR(x，y)代表红外图像在(x，y)点处的方差值，σVI(x，y)代表微光图像在(x，y)点处的方差值，分别按照式(4)和式(5)计算σIR(x，y)和σVI(x，y)的值；
Figure GDA0002935573230000051
Figure GDA0002935573230000052
比较σIR(x，y)和σVI(x，y)值的大小，若σIR(x，y)>σVI(x，y)，则选取红外图像预处理后的高频系数为初步融合图像的高频系数H(x，y)；若σIR(x，y)不大于σVI(x，y)，则选取微光图像预处理后的高频系数为初步融合图像的高频系数H(x，y)；
步骤4：将步骤3得到的初步融合图像的低频系数和初步融合图像的高频系数进行NSCT逆变换，得到红外图像和微光图像的融合图像。
本发明新型红外图像与微光图像的融合方法设计的基本思想是：图像融合要根据不同图像源的互补信息，根据某目标函数判据，通过特征提取得到目标特性更加明显的图像信息。红外图像和微光图像在描述目标特性时具有较强的互补性，所以这两类图像进行融合效果明显。红外图像的特点是高温目标具有高亮特征，目标低频系数大，能够表明目标在图像中的位置、大小、形状等信息；微光图像的特点是目标边缘信息丰富，目标高频系数大，能够表明目标的边缘、纹理等信息。在图像融合过程中，低频子带系数中红外图像所占权重较大，高频子带系数中微光图像所占权重较大；低频系数体现目标的形状、大小等信息，故目标函数为图像的亮度值；高频系数体现目标的边缘及纹理信息，故目标函数为图像的方差值。
实施例1
本实施例新型红外图像与微光图像的融合方法，低频所使用的平滑线性滤波器的模板如图4所示，掩膜中心权值为4，四角权值为1，四边中心权值为2。高频所使用的拉普拉斯滤波器的模板如图5所示，掩膜中心权值为9，周围权值均为-1。
经过本实施例方法融合的红外图像和微光图像，融合效果好，既避免了光谱信息损失，提高了噪声抑制能力，能更加有效的提取边缘纹理等细节信息，鲁棒性强。
本发明未述及之处适用于现有技术。

Claims (2)

1.一种红外图像与微光图像的融合方法，该方法的流程是：首先对红外图像和微光图像进行多尺度、多方向的NSCT变换分解，分别得到红外图像的低频子带和高频子带及微光图像的低频子带和高频子带；在低频子带上，先采用平滑线性滤波器对低频系数进行预处理，该平滑线性滤波器位于掩模中心的权值比四边及四角的权值大，且位于四角的权值最小，该平滑线性滤波器的输出响应为模板内加权平均，采用基于局部能量比与局部能量加权相结合的方法进行融合；在高频子带上，先采用基于二阶微分的拉普拉斯算子对高频系数进行预处理，该拉普拉斯滤波器属于各向同性滤波器，拉普拉斯滤波器的输出响应与该滤波器作用的图像系数突变方向无关，能与NSCT算法的非下采样方向滤波器组配合使用，利用噪声与有意义图像细节上的差别，提出局部尺度方差的显著性度量指标，以局部尺度方差为测度进行融合；在对低频系数进行融合的过程中，利用图像序列的时域信息对收敛过程进行加速；最后对融合系数进行NSCT多分辨率重构，得到融合图像；
低频子带中基于局部能量比与局部能量加权相结合的方法融合过程是：根据迭代系数加权融合规则初步融合预处理后的红外图像和微光图像的低频子带：
设定低频子带融合的目标函数是区域内像素灰度值累加和最高，并设定图像阈值；定义PIR(x，y)为红外图像在(x，y)点的像素灰度值，定义PVI(x，y)为微光图像在(x，y)点的像素灰度值，按照式(1)和(2)分别计算区域内的红外图像和微光图像低频系数灰度累加值EIR(x，y)和EVI(x，y)；
Figure FDA0002935573220000011
Figure FDA0002935573220000012
定义R(x，y)为以(x，y)点为中心点处的3×3区域的局部能量比，R(x，y)的计算公式为式(3)：
Figure FDA0002935573220000013
若R(x，y)大于等于图像阈值，则直接选取红外图像低频系数灰度累加值EIR(x，y)作为初步融合图像的低频系数L(x，y)，即L(x，y)＝EIR(x，y)；
若R(x，y)小于图像阈值，说明红外图像的目标特征不是足够明显，则初步融合的低频系数需要融合红外和微光图像的低频系数，设调整后的红外图像低频系数灰度累加值为E’IR(x，y)，调整后的微光图像低频系数灰度累加值为E’VI(x，y)，调整后初步融合的低频系数为L’(x，y)，则E’IR(x，y)、E’VI(x，y)、L’(x，y)与EIR(x，y)、EVI(x，y)满足下述式子：
E’IR(x，y)＝w1×EIR(x，y)
E’VI(x，y)＝w2×EVI(x，y)
L’(x，y)＝E’IR(x，y)+E’VI(x，y)；
其中，w1和w2分别为红外图像和微光图像的系数权值，且满足w1+w2＝1，w1取值范围是[0.5，1]，w2取值范围是[0，0.5]；
不断调整w1，w2，若下一次初步融合的低频系数小于上一次初步融合的低频系数，即L”(x，y)<L’(x，y)，则w1，w2停止调整；w1，w2的初值根据图像序列中前几帧相应位置的权值作为参考，用前序图像的系数权值设定本幅图像的系数初值，使低频子带与时域信息结合；
在高频子带中以局部尺度方差为测度进行融合的过程是：高频子带融合的目标函数是区域内像素方差最大，定义m(x，y)为图像在(x，y)点处3×3区域内的平均值，σIR(x，y)代表红外图像在(x，y)点处的方差值，σVI(x，y)代表微光图像在(x，y)点处的方差值，分别按照式(4)和式(5)计算σIR(x，y)和σVI(x，y)的值；
Figure FDA0002935573220000021
Figure FDA0002935573220000022
比较σIR(x，y)和σVI(x，y)值的大小，若σIR(x，y)>σVI(x，y)，则选取红外图像预处理后的高频系数为初步融合图像的高频系数H(x，y)；若σIR(x，y)不大于σVI(x，y)，则选取微光图像预处理后的高频系数为初步融合图像的高频系数H(x，y)；
所述平滑线性滤波器的模板为掩膜中心权值为4，四角权值为1，四边中心权值为2；所述拉普拉斯滤波器的模板为掩膜中心权值为9，周围权值均为-1。
2.根据权利要求1所述的红外图像与微光图像的融合方法，其特征在于，w1和w2的取值初值均为0.5。
CN201711273556.8A 2017-12-06 2017-12-06 一种红外图像与微光图像的融合方法 Active CN108230260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711273556.8A CN108230260B (zh) 2017-12-06 2017-12-06 一种红外图像与微光图像的融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711273556.8A CN108230260B (zh) 2017-12-06 2017-12-06 一种红外图像与微光图像的融合方法

Publications (2)

Publication Number Publication Date
CN108230260A CN108230260A (zh) 2018-06-29
CN108230260B true CN108230260B (zh) 2021-03-30

Family

ID=62653299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711273556.8A Active CN108230260B (zh) 2017-12-06 2017-12-06 一种红外图像与微光图像的融合方法

Country Status (1)

Country Link
CN (1) CN108230260B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110120028A (zh) * 2018-11-13 2019-08-13 中国科学院深圳先进技术研究院 一种仿生响尾蛇红外和微光图像彩色融合方法及装置
CN109740629B (zh) * 2018-12-05 2022-03-15 电子科技大学 一种基于fpga的非下采样轮廓波分解变换系统及其实现方法
CN109618087A (zh) * 2019-01-28 2019-04-12 北京晶品特装科技有限责任公司 一种具备精确目标定位功能的红外和微光融合夜视仪
CN110009583A (zh) * 2019-03-28 2019-07-12 上海交通大学 基于灰度均衡和nsct分解的红外图像预处理方法
CN112669249A (zh) * 2021-01-15 2021-04-16 西安中科立德红外科技有限公司 结合改进nsct变换和深度学习的红外与可见光图像融合方法
CN113313645B (zh) * 2021-05-26 2024-05-03 Oppo广东移动通信有限公司 图像处理方法、图像处理装置、终端及可读存储介质
CN114693682B (zh) * 2022-06-01 2022-08-26 青岛大学附属医院 一种基于图像处理的脊椎特征识别方法
CN116503454B (zh) * 2023-06-27 2023-10-20 季华实验室 红外和可见光图像融合方法、装置、电子设备及存储介质
CN116580062B (zh) * 2023-07-12 2024-04-12 南京诺源医疗器械有限公司 适用于红外激发光源的红外激光诊断装置的数据处理方法
CN117252794B (zh) * 2023-09-25 2024-04-16 徐州医科大学 一种在频域内多波长透射图像融合装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646272A (zh) * 2012-02-23 2012-08-22 南京信息工程大学 基于局部方差和加权相结合的小波气象卫星云图融合方法
CN102938154A (zh) * 2012-11-13 2013-02-20 浙江大学 一种基于粒子滤波的动态pet图像重建方法
CN107194904A (zh) * 2017-05-09 2017-09-22 西北工业大学 基于增补机制和pcnn的nsct域图像融合方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101853664B (zh) * 2009-03-31 2011-11-02 华为技术有限公司 一种信号去噪的方法和装置及音频解码系统
CN101950426B (zh) * 2010-09-29 2014-01-01 北京航空航天大学 一种多摄像机场景下车辆接力跟踪方法
KR101858646B1 (ko) * 2012-12-14 2018-05-17 한화에어로스페이스 주식회사 영상 융합 장치 및 방법
JP6256747B2 (ja) * 2013-11-29 2018-01-10 Ｎｅｃプラットフォームズ株式会社 画像変換処理方法、それを実行させるためのプログラム及び画像変換処理装置
CN106127718B (zh) * 2016-06-17 2018-12-07 中国人民解放军国防科学技术大学 一种基于小波变换的多曝光图像融合方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646272A (zh) * 2012-02-23 2012-08-22 南京信息工程大学 基于局部方差和加权相结合的小波气象卫星云图融合方法
CN102938154A (zh) * 2012-11-13 2013-02-20 浙江大学 一种基于粒子滤波的动态pet图像重建方法
CN107194904A (zh) * 2017-05-09 2017-09-22 西北工业大学 基于增补机制和pcnn的nsct域图像融合方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于局部能量的NSCT域红外与可见光图像融合算法;郭明 等;《红外与激光工程》;20120825;第41卷(第8期);2229-2235 *
基于局部能量的多层级红外与可见光图像融合算法;童涛 等;《四川大学学报（自然科学版）》;20140128;第51卷(第1期);88-94 *
基于熵主成分分析的多聚焦图像融合方法;罗晓清 等;《激光与红外》;20121220;第42卷(第12期);1403-1407 *
稀疏表示和非下采样Shearlet变换相结合的多聚焦图像融合;杨勇 等;《小型微型计算机系统》;20170215(第2期);386-392 *

Also Published As

Publication number Publication date
CN108230260A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108230260B (zh) 一种红外图像与微光图像的融合方法
Bhat et al. Multi-focus image fusion techniques: a survey
CN112233026A (zh) 一种基于多尺度残差注意力网络的sar图像去噪方法
Lin et al. Dehazing for image and video using guided filter
CN105976330A (zh) 一种嵌入式雾天实时视频稳像方法
CN107403134B (zh) 基于局部梯度三边的图域多尺度红外弱小目标检测方法
CN111275655B (zh) 一种多聚焦多源图像融合方法
CN106846289A (zh) 一种基于显著性迁移与细节分类的红外光强与偏振图像融合方法
CN110163818A (zh) 一种用于海事无人机的低照度视频图像增强方法
CN108492245B (zh) 基于小波分解和双边滤波的低光度图像对融合方法
Liu et al. Low-light video image enhancement based on multiscale retinex-like algorithm
CN109961408B (zh) 基于nsct和块匹配滤波的光子计数图像去噪方法
CN110796616A (zh) 基于分数阶微分算子的l0范数约束和自适应加权梯度的湍流退化图像恢复方法
CN104616026A (zh) 一种面向智能视频监控的监控场景类型辨识方法
CN115457249A (zh) 红外图像与可见光图像融合匹配的方法及系统
CN102063627A (zh) 基于多小波变换的自然图像和计算机生成图像的识别方法
CN105809650A (zh) 一种基于双向迭代优化的图像融合方法
CN106508048B (zh) 一种基于多尺度基本形式的相似尺度图像融合方法
CN111815550A (zh) 一种基于灰度共生矩阵的红外与可见光图像融合方法
Lei et al. Low-light image enhancement using the cell vibration model
CN113269691B (zh) 一种基于卷积稀疏进行噪声仿射拟合的sar图像去噪方法
CN111311503A (zh) 一种夜晚低亮度图像增强系统
CN113129300A (zh) 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质
CN115358948A (zh) 一种基于改进Retinex算法的低照度图像增强方法
CN105096274A (zh) 基于非下采样轮廓波域混合统计模型的红外图像降噪方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant